regex - R正则表达式问题

Question

我有一个包含页面路径的数据框列:

pagePath
/text/other_text/123-some_other_txet-4571/text.html
/text/other_text/another_txet/15-some_other_txet.html
/text/other_text/25189-some_other_txet/45112-text.html
/text/other_text/text/text/5418874-some_other_txet.html
/text/other_text/text/text/some_other_txet-4157/text.html

我想要做的是提取 / 之后的第一个数字，例如 123从每一行。

为了解决这个问题，我尝试了以下方法:

 num = gsub("\\D"," ", mydata$pagePath) /*to delete all characters other than digits */

 num1 = gsub("\\s+"," ",num) /*to let only one space between numbers*/

 num2 = gsub("^\\s","",num1) /*to delete the first space in my string*/

 my_number = gsub( " .*$", "", num2 ) /*to select the first number on my string*/

我以为这是我想要的，但我遇到了一些麻烦，尤其是像示例中的最后一行这样的行:/text/other_text/text/text/some_other_txet-4157/text.html
所以，我真正想要的是提取 / 之后的第一个数字.

任何帮助将非常受欢迎。

Answer 1

您可以将以下正则表达式与 gsub 一起使用:

"^(?:.*?/(\\d+))?.*$"

并替换为 "\\1" .见 regex demo .

代码:

> s <- c("/text/other_text/123-some_other_txet-4571/text.html", "/text/other_text/another_txet/15-some_other_txet.html", "/text/other_text/25189-some_other_txet/45112-text.html", "/text/other_text/text/text/5418874-some_other_txet.html", "/text/other_text/text/text/some_other_txet-4157/text.html")
> gsub("^(?:.*?/(\\d+))?.*$", "\\1", s, perl=T)
[1] "123"     "15"      "25189"   "5418874" ""    

正则表达式将可选地(使用 (?:.*?/(\\d+))? 子模式)匹配从开头到第一个 / 的字符串的一部分。 (使用 .*?/ )后跟 1 个或多个数字(将数字捕获到第 1 组，使用 (\\d+) )，然后是字符串的其余部分(使用 .*$ )。

请注意 perl=T是必须的。

带纵梁 str_extract ，您的代码和模式可以缩短为:

> str_extract(s, "(?<=/)\\d+")
[1] "123"     "15"      "25189"   "5418874" NA       
> 

str_extract如果前面有 /，将提取前 1 位或更多位数字。 (/ 本身不会作为匹配的一部分返回，因为它是后视子模式，零宽度断言，不会将匹配的文本放入结果中)。